Azərbaycanca AzərbaycancaБеларускі БеларускіDansk DanskDeutsch DeutschEspañola EspañolaFrançais FrançaisIndonesia IndonesiaItaliana Italiana日本語 日本語Қазақ ҚазақLietuvos LietuvosNederlands NederlandsPortuguês PortuguêsРусский Русскийසිංහල සිංහලแบบไทย แบบไทยTürkçe TürkçeУкраїнська Українська中國人 中國人United State United StateAfrikaans Afrikaans
Підтримка
www.wikidata.uk-ua.nina.az

Ця стаття має кілька недоліків Будь ласка допоможіть удосконалити її або обговоріть ці проблеми на сторінці обговорення

Автоматизоване машинне навчання

Автоматизоване машинне навчання
Ця стаття має кілька недоліків. Будь ласка, допоможіть удосконалити її або обговоріть ці проблеми на .
Цю статтю написано занадто професійним зі специфічною термінологією, що може бути незрозумілим для більшості читачів. Ви можете допомогти вдосконалити цю статтю, зробивши її зрозумілою для неспеціалістів без втрат змісту. Можливо, містить зауваження щодо потрібних змін. (листопад 2020)
Ця стаття має вигляд переліку, який краще подати . Ви можете допомогти викласти список прозою, де це . Ознайомтеся з . (листопад 2020)

Автоматизо́ване маши́нне навча́ння (АвтоМН, англ. Automated machine learning, AutoML) — це процес автоматизації задач застосування машинного навчання до практичних задач. АвтоМН охоплює весь конвеєр від сирого набору даних до готової для розгортання моделі машинного навчання. АвтоМН було запропоновано як рішення на основі штучного інтелекту для все більших викликів застосування машинного навчання. Високий рівень автоматизації в АвтоМН дозволяє неекспертам використовувати моделі та методики машинного навчання не вимагаючи від них ставати експертами в машиннім навчанні. Автоматизація процесу застосування машинного навчання від початку до кінця додатково пропонує переваги створення простіших рішень, швидшого створення цих рішень, та моделей, які часто перевершують розроблені власноруч. АвтоМН використовували для порівнювання відносної важливості кожного з чинників у передбачувальній моделі.

Порівняння зі стандартним підходом

У типовім застосуванні машинного навчання, практики мають набір точок даних входу для застосування в тренуванні. Ці сирі дані можуть не бути в такому вигляді, до якого можливо застосовувати всі алгоритми. Щоби зробити ці дані придатними для машинного навчання, експертові може довестися застосувати відповідні методи попередньої обробки даних, конструювання ознак, виділяння ознак та обирання ознак. Після цих кроків практики мусять відтак виконати [en] та оптимізацію гіперпараметрів, щоби максимізувати передбачувальну продуктивність своєї моделі. Кожен із цих кроків може виявлятися складним, спричинюючи значні перешкоди для використання машинного навчання.

АвтоМН різко спрощує ці кроки для неекспертів.

Цілі автоматизації

Автоматизоване машинне навчання може націлюватися на різні етапи процесу машинного навчання. Кроки для автоматизації:

Втілення

Відкриті

  • auto-sklearn, відкритий інструмент АвтоМН, втілений мовою Python, побудований навколо бібліотеки scikit-learn
  • AutoGluon, відкритий інструментарій АвтоМН Amazon, також доступний як шаблон AWS CloudFormation
  • TransmogrifAI, наскрізний інструментарій АвтоМН для структурованих даних, написаний мовою Scala, і який працює на Apache Spark
  • Neural Network Intelligence (NNI), відкритий інструментарій АвтоМН Microsoft

Комерційні

  • Azure ML, хмарна служба Microsoft Azure
  • Google Cloud AutoML, рішення АвтоМН на Google Cloud Platform
  • AutoAI в [en] для автоматизації підготовки даних, розробки моделей, конструювання ознак, та оптимізації гіперпараметрів
  • SDK Oracle Accelerated Data Science (ADS), бібліотека Python, що входить до служби Data Science інфраструктури [en]

Див. також

Примітки

  1. Thornton C, Hutter F, Hoos HH, Leyton-Brown K (2013). . KDD '13 Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data mining. с. 847—855. Архів оригіналу за 28 липня 2020. Процитовано 15 листопада 2020. (англ.)
  2. Hutter F, Caruana R, Bardenet R, Bilenko M, Guyon I, Kegl B, and Larochelle H. AutoML 2014 @ ICML. AutoML 2014 Workshop @ ICML. Процитовано 28 березня 2018.{{}}: Обслуговування CS1: Сторінки з параметром url-status, але без параметра archive-url () (англ.)
  3. Li R.Y.M., Chau K.W., Li H.C.Y., Zeng F., Tang B., Ding M. (2021) Remote Sensing, Heat Island Effect and Housing Price Prediction via AutoML. In: Ahram T. (eds) Advances in Artificial Intelligence, Software and Systems Engineering. AHFE 2020. Advances in Intelligent Systems and Computing, vol 1213. Springer, Cham. https://doi.org/10.1007/978-3-030-51328-3_17 (англ.)
  4. auto-sklearn на GitHub
  5. . AutoGluon. Архів оригіналу за 11 листопада 2020. Процитовано 3 квітня 2021. (англ.)
  6. . TransmogrifAI. Архів оригіналу за 1 листопада 2020. Процитовано 3 квітня 2021. (англ.)
  7. Neural Network Intelligence на GitHub
  8. Azure ML documentation – What is AutoML?. Microsoft. Процитовано 3 квітня 2021. (англ.)
  9. . Google Cloud. Архів оригіналу за 13 листопада 2020. Процитовано 3 квітня 2021. (англ.)
  10. . IBM. Архів оригіналу за 17 листопада 2020. Процитовано 3 квітня 2021. (англ.)
  11. . Oracle. Архів оригіналу за 17 листопада 2020. Процитовано 3 квітня 2021. (англ.)
  12. . Oracle. Архів оригіналу за 16 листопада 2020. Процитовано 3 квітня 2021. (англ.)

Література

  • . Bizety. 16 червня 2020. Архів оригіналу за 2 грудня 2020. Процитовано 15 листопада 2020. (англ.)

Вікіпедія, Українська, Україна, книга, книги, бібліотека, стаття, читати, завантажити, безкоштовно, безкоштовно завантажити, mp3, відео, mp4, 3gp, jpg, jpeg, gif, png, малюнок, музика, пісня, фільм, книга, гра, ігри, мобільний, телефон, android, ios, apple, мобільний телефон, samsung, iphone, xiomi, xiaomi, redmi, honor, oppo, nokia, sonya, mi, ПК, web, Інтернет

Cya stattya maye kilka nedolikiv Bud laska dopomozhit udoskonaliti yiyi abo obgovorit ci problemi na storinci obgovorennya Cyu stattyu napisano zanadto profesijnim stilem zi specifichnoyu terminologiyeyu sho mozhe buti nezrozumilim dlya bilshosti chitachiv Vi mozhete dopomogti vdoskonaliti cyu stattyu zrobivshi yiyi zrozumiloyu dlya nespecialistiv bez vtrat zmistu Mozhlivo storinka obgovorennya mistit zauvazhennya shodo potribnih zmin listopad 2020 Cya stattya maye viglyad pereliku yakij krashe podati prozoyu Vi mozhete dopomogti viklasti spisok prozoyu de ce dorechno Oznajomtesya z dovidkoyu z redaguvannya listopad 2020 Avtomatizo vane mashi nne navcha nnya AvtoMN angl Automated machine learning AutoML ce proces avtomatizaciyi zadach zastosuvannya mashinnogo navchannya do praktichnih zadach AvtoMN ohoplyuye ves konveyer vid sirogo naboru danih do gotovoyi dlya rozgortannya modeli mashinnogo navchannya AvtoMN bulo zaproponovano yak rishennya na osnovi shtuchnogo intelektu dlya vse bilshih viklikiv zastosuvannya mashinnogo navchannya Visokij riven avtomatizaciyi v AvtoMN dozvolyaye neekspertam vikoristovuvati modeli ta metodiki mashinnogo navchannya ne vimagayuchi vid nih stavati ekspertami v mashinnim navchanni Avtomatizaciya procesu zastosuvannya mashinnogo navchannya vid pochatku do kincya dodatkovo proponuye perevagi stvorennya prostishih rishen shvidshogo stvorennya cih rishen ta modelej yaki chasto perevershuyut rozrobleni vlasnoruch AvtoMN vikoristovuvali dlya porivnyuvannya vidnosnoyi vazhlivosti kozhnogo z chinnikiv u peredbachuvalnij modeli Porivnyannya zi standartnim pidhodomU tipovim zastosuvanni mashinnogo navchannya praktiki mayut nabir tochok danih vhodu dlya zastosuvannya v trenuvanni Ci siri dani mozhut ne buti v takomu viglyadi do yakogo mozhlivo zastosovuvati vsi algoritmi Shobi zrobiti ci dani pridatnimi dlya mashinnogo navchannya ekspertovi mozhe dovestisya zastosuvati vidpovidni metodi poperednoyi obrobki danih konstruyuvannya oznak vidilyannya oznak ta obirannya oznak Pislya cih krokiv praktiki musyat vidtak vikonati en ta optimizaciyu giperparametriv shobi maksimizuvati peredbachuvalnu produktivnist svoyeyi modeli Kozhen iz cih krokiv mozhe viyavlyatisya skladnim sprichinyuyuchi znachni pereshkodi dlya vikoristannya mashinnogo navchannya AvtoMN rizko sproshuye ci kroki dlya neekspertiv Cili avtomatizaciyiAvtomatizovane mashinne navchannya mozhe nacilyuvatisya na rizni etapi procesu mashinnogo navchannya Kroki dlya avtomatizaciyi en ta podavannya danih z sirih danih ta riznih formativ Viyavlyannya en stovpciv napriklad buliv diskretnij chislovij neperervnij chislovij chi tekstovij Viyavlyannya priznachennya stovpciv napriklad cil mitka stratifikuvalne pole chislova oznaka kategorijna tekstova oznaka chi vilnotekstova oznaka Viyavlyannya zadachi napriklad binarnoyi klasifikaciyi regresiyi klasteruvannya chi ranzhuvannya Konstruyuvannya oznak Obirannya oznak Vidilyannya oznak Metanavchannya ta peredavalne navchannya Viyavlyannya ta obrobka asimetrichnosti danih ta abo propushenih znachen Obirannya modeli Optimizaciya giperparametriv algoritmu navchannya ta oboznachuvannya angl featurization Obirannya konveyera z urahuvannyam obmezhen u chasi pam yati ta skladnosti Obirannya ocinyuvalnih metrik ta procedur zatverdzhuvannya Perevirka nayavnosti problem Viyavlyannya vitokiv Viyavlyannya pomilok u konfiguraciyi Analiz otrimuvanih rezultativ Stvorennya koristuvackih interfejsiv ta unaochnenVtilennyaVidkriti auto sklearn vidkritij instrument AvtoMN vtilenij movoyu Python pobudovanij navkolo biblioteki scikit learn AutoGluon vidkritij instrumentarij AvtoMN Amazon takozh dostupnij yak shablon AWS CloudFormation TransmogrifAI naskriznij instrumentarij AvtoMN dlya strukturovanih danih napisanij movoyu Scala i yakij pracyuye na Apache Spark Neural Network Intelligence NNI vidkritij instrumentarij AvtoMN MicrosoftKomercijni Azure ML hmarna sluzhba Microsoft Azure Google Cloud AutoML rishennya AvtoMN na Google Cloud Platform AutoAI v en dlya avtomatizaciyi pidgotovki danih rozrobki modelej konstruyuvannya oznak ta optimizaciyi giperparametriv SDK Oracle Accelerated Data Science ADS biblioteka Python sho vhodit do sluzhbi Data Science infrastrukturi en Div takozhPoshuk nejroarhitekturi Nejroevolyuciya Samonaladovuvannya en inshi movi angl AutoAI en PrimitkiThornton C Hutter F Hoos HH Leyton Brown K 2013 KDD 13 Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data mining s 847 855 Arhiv originalu za 28 lipnya 2020 Procitovano 15 listopada 2020 angl Hutter F Caruana R Bardenet R Bilenko M Guyon I Kegl B and Larochelle H AutoML 2014 ICML AutoML 2014 Workshop ICML Procitovano 28 bereznya 2018 a href wiki D0 A8 D0 B0 D0 B1 D0 BB D0 BE D0 BD Cite web title Shablon Cite web cite web a Obslugovuvannya CS1 Storinki z parametrom url status ale bez parametra archive url posilannya angl Li R Y M Chau K W Li H C Y Zeng F Tang B Ding M 2021 Remote Sensing Heat Island Effect and Housing Price Prediction via AutoML In Ahram T eds Advances in Artificial Intelligence Software and Systems Engineering AHFE 2020 Advances in Intelligent Systems and Computing vol 1213 Springer Cham https doi org 10 1007 978 3 030 51328 3 17 angl auto sklearn na GitHub AutoGluon Arhiv originalu za 11 listopada 2020 Procitovano 3 kvitnya 2021 angl TransmogrifAI Arhiv originalu za 1 listopada 2020 Procitovano 3 kvitnya 2021 angl Neural Network Intelligence na GitHub Azure ML documentation What is AutoML Microsoft Procitovano 3 kvitnya 2021 angl Google Cloud Arhiv originalu za 13 listopada 2020 Procitovano 3 kvitnya 2021 angl IBM Arhiv originalu za 17 listopada 2020 Procitovano 3 kvitnya 2021 angl Oracle Arhiv originalu za 17 listopada 2020 Procitovano 3 kvitnya 2021 angl Oracle Arhiv originalu za 16 listopada 2020 Procitovano 3 kvitnya 2021 angl Literatura Bizety 16 chervnya 2020 Arhiv originalu za 2 grudnya 2020 Procitovano 15 listopada 2020 angl

Дата публікації:
Топ